Contrôle qualité et détection de défauts pour les systèmes de triage industriel par l’utilisation de deep learning
Bibliographic record
Abstract
Ce mémoire se concentre sur la classification des images de boîtes d'emballage en utilisant le Deep Learning. Pour ce faire, un système de classification et de détection d'images a été créé en utilisant un réseau de neurones convolutifs (CNN). L'implémentation du programme a été réalisée sur Google Colab avec un accélérateur GPU pour accélérer les calculs mathématiques. Le programme utilise une série de cellules pour classifier la nature de boites (défectueuse/non défectueuse). Pour que cette solution puisse être intégrée sur le terrain, des modificat ions doivent être apportées pour qu'elle puisse traiter un grand nombre de boites en temps réel à l'aide de caméras industrielles. Les résultats de la classification ont été satisfaisants avec une précision supérieure à 90%. Des techniques de prétraitement d'image ont également été appliquées pour améliorer la qualité des images avant l'entraînement du modèle. Enfin, les notions et définitions de base du domaine du Deep Learning ont été exposées, ce qui permet une meilleure compréhension de l'approche adoptée dans ce travail de recherche.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".